基于改进型遥感生态指数(MRSEI)模型的滇中地区生态环境质量研究

2021-08-30农兰萍王金亮玉院和

生态与农村环境学报 2021年8期

农兰萍，王金亮①，玉院和

(1.云南师范大学地理学部，云南昆明 650500；2.云南省高校资源与环境遥感重点实验室，云南昆明 650500；3.云南省地理空间信息技术工程技术研究中心，云南昆明 650500)

生态环境质量是指在一定的时空范围内，生态环境受自然-社会-经济复合系统影响表现出的地域差异性，反映了生态环境的优劣程度[1]，受人类活动影响较大。在遥感技术的支持下，生态环境质量研究发展迅速，已成为生态环境研究的热点问题之一，涉及省域、县域等多个研究尺度[2-3]，以及城市生态环境质量[4]、流域生态环境[5]等多个研究对象。

早期，我国对生态环境质量的研究以建立评价指标体系为主[6]，多以层次分析法[7]等开展生态环境质量的综合评价。其中，建立生态环境质量评价体系是生态环境质量评价必不可少的环节之一。此后，生态环境质量的动态监测[8]、时空差异分析[9]等方面的研究工作也逐渐加强, 生态环境质量研究逐渐从定性评价过渡到定量评价。在生态环境质量评价中，除构建指标体系外，评价方法的选取也十分关键，常用于生态环境质量评价的模型和方法有压力-状态-响应模型[10]、模糊评价法[11]等。近年来，地理信息系统(GIS)和遥感(RS)技术为生态环境质量研究和发展提供了高效的监测和分析手段。其中，以徐涵秋[12]提出的遥感生态指数(RSEI)模型应用最为广泛，其优势在于以遥感手段快速监测生态环境质量变化，以第1主成分构建模型，减少主观因素影响，模型适用性强。但该模型多以自然因子反映生态环境质量的状态，在一定程度上忽略了人为因素的主导作用，不利于分析生态环境质量变化与人类活动的相关性。

综上所述，从生态环境质量热点研究角度出发，以中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)系列产品数据中的归一化植被指数(normalized difference vegetation index, NDVI)等长时间序列遥感数据为基础，定量分析滇中地区生态环境质量时空变化特征，并以地理探测器研究其变化的主导因素，揭示自然、人文因素综合作用下对滇中地区生态环境质量的影响，为滇中地区打造区域一体化和建设以高原湖泊为主体、山水相连的高原生态格局提供借鉴。

1 研究区概况与数据来源

1.1 研究区概况

滇中地区位于云南省中部(23°19′～27°03′ N，100°43′～100°50′ E)，包括昆明市、曲靖市、玉溪市和楚雄州4个州市(共42个区、县)。国土总面积约9×104km2，约占全省土地面积的1/4。滇中地区纬度低，但海拔相对较高，太阳辐射较同纬度地区强。区域属亚热带季风气候区，在西南季风和东南季风的控制下，气候呈现出明显的干湿季变化。区域内植被覆盖率较高，以次生林为主，包括华山松林、云南松林和针阔混交林等[13]，自然条件优越。但在地形条件影响下，滇中北部、西北部以及西南部等干热河谷地区和东南部喀斯特地区水土保持能力较弱。因此，水土流失问题较为严重，易发生土地资源退化等现象，进而影响生态环境的良性发展。在云南省内，滇中地区集中了云南省38%的人口和55%的GDP(2018年末云南省统计年鉴数据)，是省内经济发展的重要引擎。随着滇中城市群的发展，该区域不断加强以昆明为中心的交通枢纽建设，承接云南省主要的工业经济和产业转移，并依托自然资源开发工矿产业、打造休闲旅游胜地，城市化进程不断加快，在一定程度上影响了当地生态环境质量的可持续发展。因此，开展滇中生态环境质量研究工作，了解滇中地区生态环境质量的变化过程，可为滇中地区践行生态文明建设理念、打造云南省生态文明建设排头兵提供参考。

1.2 数据来源

研究所使用的数据主要有2种：(1)遥感数据：MODIS产品数据(包括地表反射率数据MOD09A1、地表温度数据MOD11A2 和植被指数数据MOD13Q1，分别用于提取所需的地表反射率、白天地表温度和NDVI等参数)，其来源于NASA官方遥感数据网站(https:∥ladsweb.modaps.eosdis.nasa.gov/)，数据经MODIS数据批处理软件(MODIS reprojection tool, MRT)批量投影转换为WGS84后，根据研究区范围裁剪；高程、坡度等数据从SRTM(shuttle radar topography mission)数字高程模型提取，数据来源于地理空间数据云(http:∥www.gscloud.cn/)。(2)社会经济数据：包括2000—2018年人口、国内生产总值(GDP)等县域社会经济数据，采用反距离权重法插值为空间数据，该数据来源于云南省统计年鉴。为了统一数据空间分辨率，均重采样为250 m。遥感数据的具体参数见表1。

表1 遥感数据来源

2 研究方法

2.1 改进型遥感生态指数(MRSEI)模型

RSEI模型是一个集成遥感信息并综合多个生态环境质量评价指标的可快速监测生态环境质量变化的综合指数模型。该模型广泛应用于城市生态环境监测[14]、区域水土流失监测[15]、矿区生态环境研究[16]等方面。但模型的适用范围有限，仅适用于陆地范围，因此在实验中需对研究区内的水体进行掩膜。模型通常以绿度(NDVI)、湿度(WET)、热度(LST)和干度(NDBSI)指数来综合构建模型，其中NDBSI需通过建筑指数(index-based built-up index, IBI)和土壤指数(soil index, SI)综合计算得出。在城市化进程下，人类活动及其所产生的社会经济活动强度对生态承载力的良性循环具有重要影响[17]。因此，笔者在RSEI模型的基础上加入人口、GDP等社会经济因子，并对用主成分分析法提取第1主成分作为初始RSEI的原方法加以改进，以主成分分析法确定指标权重，保留各指标特征信息，进一步研究自然与人为因素相互作用对区域生态环境的影响程度。

MRSEI模型计算过程如下：首先，需要选取MRSEI所需的正向指标(NDVI、WET)和负向指标(NDBSI、LST和人口、GDP等)。其中，MOD09A1遥感数据需经缨帽变换后提取湿度分量，经波段计算后提取干度指标。缨帽变换是一种正交线性变换，以信息量丰富的少数维度替代原多光谱空间并建立与地物发展的联系过程[18]，以突出土壤、植被等信息特征。LOBSER等[19]研究发现，MODIS影像数据与Landsat TM影像存在着类似的空间变换特征，并确定了MODIS数据缨帽变换的转换系数，可进行湿度分量的提取。

Landsat TM与MOD09A1数据缨帽变换的对应关系[20]为

TWE,TM=0.031 5ρ1+0.202 1ρ2+0.310 2ρ3+0.159 4ρ4-0.680 6ρ5-0.610 9ρ6，

(1)

TWE,MODIS=0.240 8ρ1+0.313 2ρ2+0.114 7ρ3+0.248 9ρ4-0.641 6ρ5-0.508 7ρ6。

(2)

式(1)～(2)中，TWE,TM为Landsat TM遥感影像的湿度分量；TWE,MODIS为MOD09A1遥感影像的湿度分量；ρ1、ρ2、ρ3、ρ4、ρ5、ρ6分别为蓝、绿、红、近红外、短波红外1、短波红外2的光谱反射率。

受大气因素的影响，MODIS部分产品数据会存在空值现象，因此，基于MOD09A1等遥感数据，采用最大合成法计算出春、夏、秋、冬4个季节的数据后，再求季节均值，以提取年均NDVI、年均湿度等指标信息。其次，对所用指标进行指标标准化处理。最后，再利用SPSS软件对因子进行主成分分析，并根据得出的指标成分矩阵、方差和方差百分比计算各年份的指标权重。为了减少人为因素的误差，便于多年生态环境质量的比较分析，对各年份的指标权重求取多年平均权重作为最终的指标权重，NDVI、WET、NDBSI、LST、人口和GDP的多年指标权重均值分别为0.18、0.15、0.17、0.11、0.19和0.20。最终，通过加权图层叠置法计算各个年份的MRSEI。

2.2 变异系数

变异系数是以标准差和平均值之间的关系来反映因变量的变化程度[21]，可用来反映多年生态环境质量年际变化的稳定程度。该值越大，离散程度越大，稳定性越低。为直观表示生态环境质量变化的稳定性，将其分为4个等级：变异程度非常稳定(≤0.1)、稳定(>0.1～0.2)、不稳定(>0.2～0.3)和非常不稳定(>0.3)[22]。计算公式为

(3)

2.3 Theil-Sen Median趋势度

Theil-Sen Median趋势度是以中位数评价长时间序列数据变化趋势的稳健型非参数统计分析方法[23]。该方法需进行显著性检验，其优势在于对非正态分布数据仍可进行数据趋势分析，可用来分析生态环境质量变化改善或退化的变化趋势。

(4)

式(4)中，β为n(n-1)/2数据组合斜率的中位数(时间序列长度n=19)；IMRSE，i和IMSRE，j分别为年份i和年份j的MRSEI数据值。β>0说明研究时间序列过程中生态环境质量改善，反之说明生态环境质量退化。

2.4 空间自相关分析

地理学第一定律指出，任何事物间都有联系且距离相近的事物联系更为密切[24]，表现出事物的联系性特征。与此同时，具有空间特性的事物也表现出空间分异性。空间自相关常用于时空格局演变研究[25]，可分为全局和局部空间自相关2种类型，分别用全局Moran′sI指数和局部Moran′sI指数表示。

全局Moran′sI指数计算公式为

(5)

(6)

式(5)～(6)中，I为全局Moran′sI指数，其阈值为[-1,1]，I<0表示负相关，I=0表示不相关，I>0表示正相关；wij为权重系数，仅当i和j相邻时wij取1，否则取值为0；xi和xj分别为滇中地区i、j处的生态环境质量指数；S2为变量x的离差平方和。

局部Moran′sI指数计算公式为

(7)

式(7)中，Ii为局部Moran′sI指数。

2.5 地理探测器

地理探测器作为一种探测空间分异性及分析驱动力的统计方法，其基本思想是若不存在空间异质性，则研究区的子区域方差不小于区域总方差，而存在统计关联性的变量空间分布一致[26]。地理探测器包括4个探测器：分异及因子探测、生态探测、风险区探测和交互作用探测。该方法广泛用于区域变量的空间差异分析[27]，如县域生活质量空间差异分析等[28]。

2.5.1分异及因子探测

(8)

式(8)中，以NDVI自变量为例，q为NDVI对MRSEI空间分异的解释能力，其值越大解释能力越强，阈值为[0,1]；h为NDVI自变量的子区域；Nh和N分别为NDVI子区域和整个区域的单元数；σ和σh分别为NDVI子区域和整个区域的方差。

2.5.2生态探测

生态探测用于比较2个因子对属性Y的空间分布影响是否具有显著差异，以F统计量表示。若样本发生概率小于显著性水平α，则2个因子间存在显著性，以“Y”记；反之，以“N”记。

(9)

(10)

(11)

式(9)～(11)中，Nx1和Nx2分别为因变量x1和x2的样本数；WSS，x1和WSS，x2分别为因变量x1和x2形成的分层层内方差和；L1和L2分别为因变量x1和x2的分层数量。

2.5.3风险区探测

风险区探测用于辨析2个子区域的属性均值差异是否显著，用t统计量进行检验。

(12)

式(12)中，¯Yh为子区域h内的属性均值；Var为方差；nh为子区域h内样本数量。

2.5.4交互作用探测

交互作用探测是在分异及因子探测的基础上，用以识别不同因子间的交互作用，再分析自变量相互作用下对因变量的作用。因子的交互作用探测有5种表现形式，即非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强。

该研究使用地理探测器(http:∥www.geodetector.org/)分析滇中生态环境质量影响因子差异，结合滇中地区实际情况将各因子进行离散化处理，并根据自然断点法分级。其中，因滇中地区植被覆盖度较高，将其细分为7个等级。而人口和GDP等社会经济数据呈非指数型逐年增长趋势，将其按各年的实际情况利用自然断点法分为5级。遥感因子分级情况见表2。

表2 滇中地区遥感因子分级标准

NDVI表示绿度；WET表示湿度；LST表示热度；NDBSI表示干度。

3 结果与分析

3.1 滇中生态环境质量时间变化特征

通过计算NDVI、WET等指标，经主成分分析法确定指标权重，得到滇中地区2000—2018年MRSEI变化结果(图1)。

结果显示，整体上MRSEI值呈波动上升趋势，说明研究区整体生态环境质量较好，此与滇中地区生态安全研究结果相符，表现为2010—2015年生态安全指数升高，MRSEI值增大，即生态环境转好[29]。州市层面，MRSEI值表现为楚雄州>玉溪市>昆明市>曲靖市。其中，楚雄州和玉溪市MRSEI超出滇中地区MRSEI平均水平，而昆明市和曲靖市MRSEI落后于滇中平均水平。2000—2018年MRSEI年均值为0.645；2015年滇中地区MRSEI均值达峰值，为0.688，说明该年份生态环境质量最佳；而2003年滇中地区生态环境质量最差，MRSEI均值为0.597。在各州市中，除楚雄州MRSEI峰值(0.756)出现在2008年外，其余州市MRSEI峰值均出现在2015年。

2000—2018年滇中地区生态环境质量的变异系数CV平均值为0.066，小于0.1，表明生态环境质量状况非常稳定。从图2来看，生态环境质量变异程度非常稳定、稳定、不稳定、非常不稳定区域面积占比分别为85.72%、13.67%、0.33%和0.28%，滇中大部分地区生态环境质量变化非常稳定(CV≤0.1)，滇中地区东北部变化稳定，仅昆明市中心等人口密集、经济活动强度大的地区生态环境质量变化波动较大、稳定性低。各州市中，楚雄州生态环境质量变化最为稳定(CV=0.051)，其次是玉溪市(CV=0.053)和昆明市(CV=0.073)，而曲靖市(CV=0.090)生态环境质量稳定性最差。

从近19 a滇中地区MRSEI的变化趋势来看，总体上滇中地区MRSEI呈增长趋势，约80%的区域生态环境质量有所改善。但生态环境质量改善程度以不显著和弱显著为主，分别占改善总面积的51.64%和46.33%，而改善程度为显著和极显著区域占比极小，仅达2.03%。生态环境质量退化区域占总面积的比例为21.35%，以不显著退化为主，占总退化面积的93.34%，表明滇中生态环境质量虽有退化，但退化程度不明显。

3.2 滇中生态环境质量空间变化特征

3.2.1基于全局Moran′sI指数的空间特征分析

计算滇中地区近19 a的全局Moran′sI指数(图3)发现，全局Moran′sI指数整体呈上升趋势，且检验全局Moran′sI指数的Z统计量为正值。县域生态环境质量存在着显著的空间聚集，空间特征表现为生态环境质量较高的县域趋于与生态环境质量较高的县域相邻，或生态环境质量较低的县域趋于与生态环境质量较低的县域相邻。自2004年后，高高、低低的空间聚集特征显著加强。

3.2.2基于局部Moran′sI指数的空间特征分析

对滇中地区生态环境质量进行局部空间自相关性分析，滇中地区生态环境质量局部空间特征(图4)表明，研究区主要表现出高高聚集、高低聚集、低低聚集、低高聚集和无显著性5类空间特征，其中高高聚集和低低聚集表现为正空间相关性。

近19 a，高高聚集的县域主要集中在滇中西部地区，而低低聚集类型的县域重心由东北向西南方向移动，逐渐转移至滇中地区中部，形成研究区西部高高聚集、中部低低聚集、东部无显著空间相关性的空间格局特征。2000—2018年，始终表现为高高聚集特征的县域有新平县，长期处于高高聚集的县域有楚雄市、双柏县、大姚县、姚安县、南华县，均位于楚雄州。而在2004年前，生态环境质量低低聚集的重点区域主要集中在曲靖市的麒麟区、沾益区和马龙区，2004年后重心逐渐移至五华区、盘龙区、西山区、官渡区、呈贡区、安宁市、嵩明县、富民县和宜良县等经济活动强度较大的地区。自低低聚集重心转至研究区中部后，澄江市生态环境质量呈现出高低聚集的空间特征，表现为澄江市生态环境质量较高且被生态环境质量相对较低的县域所包围。低高聚集的空间特征以元谋县为主，说明与周边县域相比较，元谋县生态环境质量相对较低。

3.2.3基于生态质量变化度和不同地形条件下的空间特征分析

根据HJ 192—2015《生态环境状况评价技术规范》中的生态环境状况变化度分级标准，并结合滇中地区的实际情况，将滇中地区MRSEI变化度绝对值进行分级，分为基本不变(<0.05)、略微变化(0.05～<0.15)、中等变化(0.15～<0.25)、明显变化(0.25～<0.35)和显著变化(≥0.35)5个等级，以分析2000—2018年滇中地区生态环境质量变化度在空间上的变化情况。

图5显示，2000—2005年，滇中地区MRSEI变化情况以基本不变、略微变好和略微变差为主，分别占总面积的48%、38%和10%，滇中地区生态环境质量略微改善，在空间上分布较为均匀。而略微变差、中等变差的地区主要集中在研究区中部，及昆明市的五华区、盘龙区等地。

2005—2010年，滇中地区生态环境质量基本保持不变。而研究区东部生态环境质量略微变差，占总面积的11%；研究区西部生态环境质量略微变好，占总面积的7%。2010—2015年，滇中地区生态环境质量有所改善，以基本不变和略微变好为主，分别占总面积的56%和43%，略微变好区域主要集中在滇中东部。2015—2018年，滇中地区生态环境质量变化表现为基本不变和略微变差的特征，两者面积分别占总面积的84%和14%，略微变差区域零散分布，但主要集中在研究区东部。总体来说，滇中地区生态环境质量变化度以基本不变为主，局部地区表现为略微变化和略微变差波动变化，与滇中总体生态环境质量变化趋势一致。在空间分布上，略微变好区域主要集中在研究区西部地区，研究区中部、东部地区生态环境质量略微变差。2010—2015年研究区东部生态环境质量明显改善。

根据李炳元等[30]对中国陆地地貌海拔的划分方法并结合滇中地区实际情况，将高程分别以1 000、1 500、2 000、2 500、3 000、3 500、4 000 m为临界值划分为8个等级，以研究山区生态环境质量的空间分布特征。根据滇中坡度的实际情况，以5°为步长，将其分为8个等级。由图6可知，滇中地区多山地，在不同等级的高程、坡度类型下，MRSEI表现出不同的空间分布特征。

滇中生态环境质量在不同高程的变化规律总体上以3 000 m为界，在3 000 m及以上，高程值越大生态环境质量越高。在>3 500～4 000 m高程范围出现低值，主要集中在东川地区，所占面积小，生态环境质量有部分降低；而在3 000 m以下，≤1 000 m的低海拔区域生态环境质量较好，>1 000～1 500和>2 000～2 500 m海拔区域次之，>1 500～2 000 m的中海拔地区生态环境质量较差。而在不同坡度下，>20°～25°和>25°～30°坡度下生态环境质量最高，>30°～35°和>15°～20°坡度下生态环境质量次之，>35° 区域生态环境质量处于中等水平。>15°～20°坡度区域的生态环境质量呈现坡度越小、生态环境质量越差的变化趋势。综上，海拔3 000 m及以上、坡度>20°～30°区域生态环境质量最好，而海拔>1 500～2 000 m、坡度在10°以下区域生态环境质量较差。

3.3 滇中生态环境质量时空变化影响因素分析

3.3.1分异及因子探测

经地理探测器分异及因子探测得出不同年份各个因子的q值，结果见图7。多年分异及因子探测结果显示，q平均值由大到小为人口>NDBSI>NDVI>GDP>LST>WET。这表明在MRSEI模型中，人口数量分布对生态环境质量的空间分异影响较大，其次是NDBSI和NDVI指数，而WET指数对生态环境质量的空间分异影响较小。

3.3.2生态探测

滇中地区生态环境质量生态探测结果中，“Y”表示2个因子存在显著性差异，“N”表示无显著性差异。近19 a，NDVI与WET、LST、人口和GDP之间,WET与NDBSI、人口、GDP之间，NDBSI与人口,LST与人口，人口与GDP之间始终存在着显著性差异，而NDVI与NDBSI,WET与LST，NDBSI与人口、GDP之间，LST与GDP之间在某些年份表现出无显著性差异。总体上，各因子之间的相互关系以显著性差异为主。因此，选用NDVI、WET、NDBSI、LST、人口和GDP等因子对滇中地区生态环境质量进行评价和空间差异分析具有重要的探测意义。

3.3.3风险区探测

为探测各因子在不同等级下对生态环境质量的影响程度，对其进行风险区探测，各因子的风险探测结果见图8。风险区探测结果表明，NDVI和WET对生态环境质量起正反馈作用，即植被覆盖率越高、湿度越大的地区生态环境质量越好，其中NDVI对生态环境质量的影响更大。而NDBSI、LST、人口和GDP对生态环境质量的作用是负向的，即干度值越高、地表温度越高、人口数量越大、经济活动强度越大的地区，生态环境质量压力越大，生态环境质量相对较差。

3.3.4交互作用探测

交互作用探测可反映出多因子相互作用对生态环境质量产生的影响。滇中地区生态环境质量影响因子间的交互作用探测中，2个因子之间多呈双因子增强的交互作用，即双因子交互作用大于单因子影响，由此也反映出滇中生态环境质量的差异受多种因素的影响，而非单因子起决定作用。而WET与人口、GDP，LST与GDP因子的交互作用呈非线性增强现象，即湿度与人口和GDP等因子交互，和地表温度与GDP交互作用下对滇中地区生态环境质量变化的影响程度较小，进一步反映出与NDVI、NDBSI等受人类活动干扰大的影响因子相比，滇中地区湿度、热度与人类活动的相互作用对生态环境影响较小。因此，在滇中地区需重视人类活动对生态环境的干扰作用以及生态环境变化的发展趋势。

4 讨论

以MRSEI模型对滇中地区长时间序列的生态环境质量进行监测，从时间和空间2个尺度分析滇中整体和局部的生态环境质量变化特征。总体上，滇中地区整体生态环境质量改善且生态环境质量较为稳定，这与滇中地区加强水土保持工作、注重封山育林以提高森林覆盖率有密切联系。但局部冷点地区生态环境质量的退化需要加强重视，如昆明市人口密集区建筑业的快速发展影响着生态环境质量的提高，因此需合理规划城市建设用地的规模，提高城市容积率，加强城市绿地建设。与此同时，云南省承接沿海地区转移的医药、食品、轻工、钢铁等产业，其牵引着人口的流动，激发了城市建设用地规模的扩大，人口压力也带来了生态环境质量压力，因此在承接产业的同时，需要规划好城市建设用地规模，保留足够的生态环境用地，减少对生态用地的占用。而在各州市中，楚雄州生态环境质量最佳，与2016年云南省生态文明建设年度评价结果中的综合环境质量指数和生态环境保护指数结果相一致，体现出MRSEI模型评价的可靠性。除此之外，利用MODIS数据开展的生态环境质量评价，其结果显示自然因子中NDVI和NDBSI与社会经济等因子的交互作用大于WET和LST与人类活动之间的交互作用，反映人类活动对生态环境质量的影响程度不断加强。利用MODIS数据对滇中生态环境质量进行研究，其结果与利用Landsat数据进行生态环境质量研究所得结果相似[31]，表明在研究范围较大的情况下，可使用中分辨率的遥感影像进行生态环境质量评估，以提高生态环境质量时序评价效率。

但研究中仍存在着不足之处，由于缺少较精细的乡镇人口和GDP等数据，人口和GDP的空间化与实际情况存在一定误差。因此，在后期的研究中，需完善人为因素等相关指标的空间化，增加并优化指标体系，更好地服务于生态环境质量监测。